CorrGAN：针对自然 corruptions 的输入变换技术
机器学习
2022-04-20 v1 计算机视觉与模式识别
摘要
由于深度神经网络（DNN）在不同任务上准确率日益提升，大量实时系统正使用DNN。这些DNN易受对抗扰动与corruptions影响。具体而言，雾、模糊、对比度等自然corruptions会影响自动驾驶车辆中DNN的预测。在实时场景中，需检测这些corruptions，且需对受损输入去噪以正确预测。本工作中，我们提出CorrGAN方法，可在给定受损输入时生成良性输入。该框架中，我们使用基于新颖中间输出的损失函数训练生成对抗网络（GAN）。该GAN能对受损输入去噪并生成良性输入。经实验，我们表明使用CorrGAN时，多达75.2%的受损误分类输入可被DNN正确分类。
引用
@article{arxiv.2204.08623,
title = {CorrGAN: Input Transformation Technique Against Natural Corruptions},
author = {Mirazul Haque and Christof J. Budnik and Wei Yang},
journal= {arXiv preprint arXiv:2204.08623},
year = {2022}
}